语音通讯
本人从事音频软件开发10+年，既开发过voice相关的，又开发过music相关的，但大多数还是开发voice相关的。掐指一算到现在在通信终端上开发过的语音解决方案共有五套，它们既有有线通信的，又有无线通信的；既有在上层开发的，又有在底层开发的；既有在ARM上开发的，又有在DSP上开发的，总之各有特色。但因为都是语音通信解决方案，又有共同的地方，都要有语音的采集播放、编解码、前后处理和传输等。今天我就选取有代表性的三套方案，讲讲它们的实现。
1，在嵌入式linux上开发的有线通信语音解决方案
这方案是在嵌入式Linux上开发的，音频方案基于ALSA，语音通信相关的都是在user space 做，算是一个上层的解决方案。由于是有线通信，网络环境相对无线通信而言不是特别恶劣，用的丢包补偿措施也不是很多，主要有PLC、RFC2198等。我在前面的文章（如何在嵌入式Linux上开发一个语音通信解决方案）详细描述过方案是怎么做的，有兴趣的可以去看看。
这方案是在Android手机上开发的，是手机上的传统语音通信方案（相对于APP语音通信而言）。Android是基于Linux的，所以也会用到ALSA，但是主要是做控制用，如对codec芯片的配置等。跟音频数据相关的驱动、编解码、前后处理等在Audio DSP上开发，网络侧相关的在CP（通信处理器）上开发，算是一个底层解决方案。该方案的软件框图如下：
从上图看出，AP在方案中起控制作用，一是控制codec芯片上音频路径的选择（通过配置寄存器完成），二是控制Audio DSP上音频流的start/stop等。真正的音频数据处理是在Audio DSP和CP上实现的（Audio DSP和CP上的实现在两个不同的部门做，我是在Audio DSP上做音频开发，对CP上的实现只是了解，不能详细叙述CP上的Audio实现）。语音通信分上行和下行，先看上行。通过codec芯片采集到的语音数据由I2S送给Audio DSP。Audio DSP中有DMA IN中断，5ms发生一次，获取语音数据，然后做重采样（方案中codec芯片的采样率是48k Hz,而编解码codec的采样率是8k/16k等，需要做重采样）变成8k/16k等的语音数据并保存在buffer中。发生四次就获得了20ms的语音数据（基于20ms是因为AMR/EVS的一帧都是20ms），把这20ms数据先做前处理（AEC/ANS/AGC等），再做编码获得码流，并把码流通过IPC送给CP。CP中做些网络侧相关的处理最后通过空口发送给对方。再看下行。CP从空口收到语音数据后做网络侧处理（jitter buffer等）后将码流发给Audio DSP。Audio DSP收到码流后先解码成PCM数据并做后处理（ANS/AGC等），然后做重采样变成48k Hz的语音数据，还要做混音处理（主要是系统音，要一起播放出来），处理完后放在buffer里。下行也有一个DMA OUT中断，也是5ms一次，把一帧20ms的数据分四次送给codec芯片，也就是每次从上述buffer里取5ms数据，取四次buffer就取空了，然后再取下一帧的数据播放。送给codec芯片的数据就会通过外设播放出来。
由于在DSP上开发，硬件资源（DSP 频率/memory）成了瓶颈，好多时间花在load/memory的优化上。DSP频率只有300多MHZ,上下行的前后处理、编解码、重采样又是比较耗load的，不优化根本不能流畅运行，在C级别优化后一些场景还是不能流畅运行，最后好多地方用了终极大法汇编优化，才使各种场景下都能流畅运行。Memory分内部memory （DTCM（Data Tightly Coupled Memory, 数据紧密耦合存储器,用于存data）和PTCM（Program Tightly Coupled Memory, 程序紧密耦合存储器,用于存code））和外部memory（DDR）。要想快速运行，data和code最好都放在内部memory，但是内部memory的空间又特别小，DTCM和PTCM都只有几十K word（DSP上的基本单位是Word，一个Word是两个字节），memory不仅不能随意用，在写代码时时时刻刻都要注意省内存，还要优化（经常遇到的是开发新feature，memory不够了，先优化memory，然后再开发，memory都是一点一点抠出来的），最后优化也抠不出memory了，怎么办呢？用了overlay机制，说白了就是在不同场景下的memory复用。比如播放音乐和打电话不可能同时出现，使用的部分memory就可以复用。再比如打电话时只有一种codec在工作，而系统会同时支持多种codec，这几种codec的使用的部分memory就可以复用。
3，在Android手机上开发的APP上的语音解决方案
这方案也是在Android手机上开发的，但是是APP语音通信，类似于微信语音，在Native层做，调用Android JNI提供的API，算是一个上层解决方案。该方案的软件框图如下：
本方案是在AP（应用处理器）上实现，语音采集和播放并没有直接调用系统提供的API（AudioTrack/AudioRecorder）, 而是用了开源库openSL ES，让openSL ES去调用系统的API。我们会向openSL ES注册两个callback函数（一个用于采集语音，一个用于播放语音），这两个callback每隔20Ms被调用一次，分别获得采集到的语音以及把收到的语音送给底层播放，从底层拿到的以及送给底层的语音数据都是PCM格式，都配置成16k采样率单声道的模式。在上行方向，codec芯片采集到的语音PCM数据通过I2S送给audio DSP，audio DSP处理后把PCM数据送给AP，最终通过注册的采集callback函数把PCM数据送给上层。在上层先做前处理，包括AEC/AGC/ANS等，用的是webRTC的实现（现在APP语音内的前后处理基本上用的都是webRTC的实现），做完前处理后还要根据codec看是否需要做重采样，如codec是8k采样率的，就需要做重采样（16k转到8k）, 如codec是16k采样率的，就不需要做重采样了。再之后是编码得到码流，同时用RTP打包，并用UDP socket把RTP包发给对方。在下行方向，先用UDP socket收语音RTP包，去包头得到码流放进jitter buffer中。每隔20Ms会从jitter buffer中拿一帧数据解码得到PCM，有可能还要做PLC和重采样，然后再做后处理（ANS/AGC）,最终通过播放callback函数把PCM数据一层层往下送给Audio DSP，audio DSP处理后把PCM数据送给codec芯片播放出来。APP上的语音通信属于OTT （On The Top）语音，不像传统语音通信那样有QoS保障，要保证语音质量，必须要采取更多的补偿措施（由于无线网络环境是变化多端的，经常会比较恶劣，会导致乱序丢包等），常见的方法有FEC（前向纠错）、重传、PLC（丢包补偿）等。补偿措施是该方案的难点，通过补偿把语音质量提高了，但是增大了时延和增加了流量。
方案的实现是上图中灰色虚线上面的部分，我之所以画出灰色虚线下面部分，是想给大家看看整个完整的语音数据流向的实现，下面的部分对APP开发人员来说是黑盒子，他们可见的就是系统提供的API。我先是做APP上的语音通信，后来才做手机上的传统语音通信。做APP上的语音通信时不清楚底层是怎么实现的，很想知道，但是没有资料可供了解。我想很多做APP语音的人跟我有一样的困惑，底层实现到底是什么样的。后来做了手机上传统语音通信的实现，清楚了底层是怎么做的，算是把APP语音的整个数据流向搞清楚了。本文把底层实现框图也画出来，就是想让做APP语音通信的人也了解底层的实现。不同手机平台上的针对APP语音的底层实现是不一样的（主要是指DSP上的实现，Android Audio Framework上的实现基本是一样的），比如有的有前后处理（通常是中高端机），有的没有前后处理（通常是低端机）。中高端机在上层不做回声消除也没有回声，那是因为在底层做掉了。同样的回声消除算法在越接近硬件处做效果越好，主要是因为近远端之间的latency越靠近硬件算的越准确不变，latency准确不变回声消除才会有更好的性能。在上层算latency就会引入软件带来的时延，而且软件引入的时延有可能是变化的，这就导致在上层算latency不如底层精确。在APP上层做回声消除时，机型不一样，latency也就不同（硬件不同以及底层软件实现不同），当时是一个机型一个机型测出来的，有一百多毫秒的，也有两百多毫秒的，差异很大。至于怎么测的，有兴趣可以看我前面写的一篇文章（音频处理之回声消除及调试经验）。在底层DSP上做回声消除时，算是最靠近硬件了，我当时算DMA OUT和DMA IN之间的delay，只有五点几毫秒，而且多次测latency都是很稳定，误差不超过几个采样点，这样就保证了回声消除的高性能。当时测时在硬件上把speaker和MIC的线连起来，形成一个loopback,DMA OUT的数据就完全进入DMA IN，用特殊波形（比如正弦波）穿越，同时把DMA OUT和DMA IN的音频数据dump出来用CoolEdit看，从而得到latency的准确值。低端机在上层是一定要做回声消除的，那是因为底层没做。APP语音通信解决方案要兼顾所有机型，所以在APP语音解决方案内回声消除是一定要有的，当然还包括其他的前后处理模块，比如ANS、AGC。
以上方案就是我做过的三种典型的语音通信方案，有有线通信，有无线通信，也有APP语音通信，在我看来应该是把目前通信终端上的主要语音解决方案都囊括了。由于在不同的平台上开发，在不同的层次开发，从而表现出巨大的差异性，但是语音通信的核心模块都是一样的。